MétaCan
Menu
Retour à la cohorte
Enregistrement W4214948439 · doi:10.18280/mmep.090104

Wind Tunnel Test of Drafting at Endurance Run Velocity

2022· article· en· W4214948439 sur OpenAlexvenueno aff
Viviana Valsecchi, G. Gibertini, Andrea Morelli

Notice bibliographique

RevueMathematical Modelling and Engineering Problems · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueSports Performance and Training
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésDragAerodynamicsDrag coefficientAerodynamic dragWind tunnelVentilation (architecture)Marine engineeringStructural engineeringTreadmillSimulationEnvironmental scienceEngineeringMedicineMechanical engineeringPhysical therapyAerospace engineering

Résumé

récupéré en direct d'OpenAlex

The aim of this study is to investigate and quantify the aerodynamics advantage, the physiological and performance advantage produced by pacemaker drafting in the case of long endurance running. The experimental tests have been carried out in a wind tunnel, at submaximal effort two runners done a treadmill run test of five minutes at 4.72 m/s with the same air velocity. By comparison of physiological parameters with and without drafting, the decreasing due to the pacemaker effect was obtained. A CFD simulation is used to analyze aerodynamic effects in terms of drag and drag coefficient with and without drafting at a wind speed of 4.72 m/s. Results indicates that compared to the baseline (running alone), the drafting position show a decrease in drag (-9.73%) and drag coefficient (-9.73%). This reduction in aerodynamic drag also leads to the reduction of the following physiological parameters, as detected by the experimental tests: oxygen consumption (-5.46%), metabolic power (-5.48%), energy cost (-7.31%), produced carbon dioxide (-7.40%), minute ventilation (-5.44%), HR (-0.60%), blood lactate concentration (-16.66%), RPE (-13.89%). Results demonstrate that drafting has a significant effect on aerodynamics parameters, but also on physiological and performance variables in highly and medium trained athletes.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,027
Tête enseignante GPT0,216
Écart entre enseignants0,190 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations9
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMathematical Modelling and Engineering ProblemsMême sujetSports Performance and TrainingTravaux en français237 207